Optimizing Yukawa couplings to suppress Dimension-five Proton Decay in $SU(5)$ GUT

本文采用机器学习优化技术，特别是 Adam 优化器，在扩展了$\mathbf{45}$和$\overline{\mathbf{45}}$希格斯表示的超对称$SU(5)$大统一理论的复杂 33 维参数空间中进行寻优，成功识别出能够抑制五维质子衰变以满足超级神冈探测器实验界限的汤川耦合构型。

要点

想象宇宙是基于一套称为标准模型的蓝图构建的。物理学家们喜爱这些蓝图，但它们感觉像是一份草稿。他们渴望一个“大统一理论”（GUT）——一个单一、优雅的主计划，能够解释自然界的所有力如何相互契合。其中最受欢迎的主计划之一被称为SU(5)。

然而，这份特定的蓝图存在一个巨大的问题。根据数学推导，它预测质子（每个原子内部稳定的基本构建块）应该极快地衰变。如果这是真的，宇宙中的所有物质早在数十亿年前就会瓦解。但我们依然存在，质子依然稳固。

本文旨在尝试修复这份破损的蓝图，而无需将其全盘抛弃。

问题：“漏雨的屋顶”

将质子想象成一座房子。在标准的 SU(5) 模型中，由于特定类型的粒子交换（带色希格斯微子），屋顶存在一个“漏洞”。这个漏洞导致房子（质子衰变）倒塌的速度过快。

实验科学家（例如日本超级神冈探测器的那些人）建造了一个巨大的地下水箱，以捕捉任何可能衰变的质子。他们设定了一条规则：如果质子发生衰变，其寿命必须至少达到 59 万亿亿年。 而当前的 SU(5) 蓝图预测其衰变速度远快于此。

拟议的修复方案：增加更多“砖块”

为了堵住漏洞，作者建议在蓝图中增加额外的“砖块”。具体来说，他们添加了新型希格斯场（数学表示为 45 和 45）。

但这里有个陷阱：添加这些新砖块引入了大量的自由度。这就像试图用 33 个旋钮而不是仅仅一个来调谐收音机。你可以转动旋钮（调整称为“汤川耦合”的数值）来尝试堵住漏洞。

问题在于，旋钮（33 个维度）太多，手动尝试每一种组合是不可能的。这就像试图在银河系大小的干草堆中找到一根特定的针。这就是科学家所称的**“维数灾难”**。

解决方案：机器学习“调谐器”

作者没有手动尝试每一种组合，而是使用了机器学习（具体是一种名为Adam的算法）。

将这 33 个旋钮想象成一个巨大而复杂的迷宫。

1. 目标：在迷宫中找到那个“漏洞”（质子衰变）最小的确切位置。
2. 方法：计算机从迷宫中数千个随机位置开始。它计算每个位置的“漏水”程度。
3. 优化：计算机像一个聪明的徒步者。如果一个位置漏水严重，它知道要远离它；如果一个位置干燥，它就向那里靠近。它这样做数千次，学习地形的形状，直到找到质子安全的“干燥山谷”。

他们的发现

作者针对一个名为tan β的变量的不同设置运行了这个“智能徒步者”模拟（你可以将其想象为宇宙引力的“倾斜度”）。

• 好消息：计算机成功找到了 33 个旋钮的特定组合，使得质子足够稳定，能够存活超过实验极限。这证明了 SU(5) 模型可以起作用，但前提是旋钮必须设置为非常具体、非随机的数值。
• 坏消息：“甜蜜点”非常难以寻找。它们并非随机散布；而是聚集在微小、特定的岛屿上。
• 倾斜度问题：作者发现，随着“倾斜度”（tan β）的增加，保持质子安全变得困难得多。在高倾斜度下，“漏洞”变大，计算机必须更努力地工作才能找到阻止它的设置。事实上，对于他们测试的最高倾斜度，质子更有可能发生衰变，使得该模型正确的可能性降低。

结论

本文并没有证明 SU(5) 模型绝对是正确的。相反，它证明了有可能让该模型起作用，但前提是宇宙的内部设置必须经过极度精确的调谐。

他们利用计算机穿越了一个 33 维的迷宫并找到了出口，但这个出口是一扇非常狭窄的门。如果宇宙的设置（特别是“倾斜度”或 tan β）稍有偏差，门就会关闭，模型就会失效。

简而言之：作者使用了一个数字“智能调谐器”来修复一份破损的宇宙蓝图，表明虽然存在解决方案，但它需要宇宙基本数值非常具体且精妙的排列。

技术摘要

技术摘要：优化汤川耦合以抑制 SU(5) 大统一理论中的五维质子衰变

问题陈述
最小超对称（SUSY）$SU(5)$ 大统一理论（GUT）面临一个关键的唯象学障碍：由色 Higgs 微子交换引起的五维算符介导的快速质子衰变。实验界限，特别是超级神冈探测器（Super-Kamiokande）对 $\tau(p \to K^+ \bar{\nu}) > 5.9 \times 10^{33}$ 年的限制，严重制约了该模型的可行性。虽然通过引入更高维表示（特别是 45 和 $\overline{45}$）扩展 Higgs 扇区并结合非重整化相互作用在理论上可以解决这一问题，但这些扩展引入了一个巨大的高维参数空间。该空间由众多混合角、CP 相和能标构成，由于“维数灾难”，传统的暴力数值扫描使其在计算上变得不可行。

方法论
为应对这一计算挑战，作者采用机器学习优化技术，特别是 Adam 优化器，来导航修正后的 SUSY $SU(5)$模型的参数空间。该研究聚焦于一个包含三代物质场（$5 + 10$）、电弱破缺 Higgs 场（$5 + \overline{5} + 45 + \overline{45}$）以及 GUT 破缺场（$24$）的模型。

方法论包括以下步骤：

1. 模型构建：作者通过将 GUT 能标（$\sim 2 \times 10^{16}$ GeV）下的汤川耦合矩阵（$Y_5, Y_{\overline{5}}, Y_{45}, Y_{\overline{45}}$）与观测到的 MSSM 费米子质量和混合角（CKM 矩阵）进行匹配，推导出这些矩阵。这涉及精细调节 Higgs 二重态和三重态的质量矩阵，以确保轻的 $\mu$ 项，同时保持重的色 Higgs 三重态。
2. 衰变率计算：通过积分掉色 Higgs 场得到五维算符，从而计算 $p \to K^+ \bar{\nu}$ 的部分衰变宽度。随后，利用重整化群（RG）方程将这些算符从 GUT 能标演化至强子能标，并纳入超对称粒子质量（基准谱固定为 3 TeV）和强子矩阵元。
3. 优化设置：将可行参数的搜索构建为一个优化问题。定义损失函数为 $p \to K^+ \bar{\nu}$ 衰变的部分宽度的对数平均值。
4. 参数空间：优化过程变化 33 个参数：
   • 27 个角度和相位，用于参数化旋转味基底的三个未定幺正矩阵（$U_u, U_e, V_e$）。
   • 6 个势扇区参数（$M, \lambda, \kappa, \kappa', \lambda_a, \lambda_b$），控制 Higgs 质量项和耦合。
   • 参数 $m$ 受条件 $\det(M_{\text{doublet}}) = 0$ 约束。
5. 执行：使用 TensorFlow，作者初始化 $N=4096$ 个随机参数配置，并在 100,000 个 epoch 内迭代更新它们以最小化损失函数。该过程针对四个不同的 $\tan \beta$ 值（3、10、30 和 50）重复进行。

关键结果

• 优化有效性：Adam 优化器成功导航了 33 维空间，迅速降低了损失函数。与初始随机配置相比，优化后的参数集一致地将质子寿命分布推向更长的数值。
• 参数定位：分析显示，优化后的参数并非均匀分布。相反，特定的混合角（特别是幺正矩阵 $U_u$ 和 $U_e$ 中的角）和势耦合（如 $M$ 和 $\kappa$）表现出局部化分布。这表明抑制质子衰变需要汤川矩阵与 GUT 能标势扇区之间高度特定且非平凡的排列。
• 对 $\tan \beta$ 的依赖性：一个关键发现是可达到的质子寿命对 $\tan \beta$ 具有强烈的敏感性。
  • 对于较低的值（$\tan \beta = 3, 10$），优化器成功识别出了质子寿命超过超级神冈探测器界限的区域。
  • 随着 $\tan \beta$ 增加（30 和 50），下型夸克和轻子扇区贡献的增强显著放大了五维衰变算符。因此，优化后的质子寿命降低，使得满足实验下限变得越来越困难。在高 $\tan \beta$ 区域，参数空间内所需的抵消变得更加严格，且实现的可能性降低。

意义与主张
本文声称证明了机器学习优化是解决那些受困于维数灾难的超出标准模型（BSM）物理唯象学问题的有效工具。通过系统地探索扩展的 SUSY $SU(5)$ 模型的参数空间，作者表明存在可行的区域，其中五维质子衰变被抑制到可接受的水平。

然而，作者对这些解的普遍性保持谦逊。他们强调，虽然算法可以识别出抑制衰变的具体且非平凡的排列，但模型的可行性高度依赖于 $\tan \beta$ 的值。研究结论指出，虽然该框架灵活且强大，但在高 $\tan \beta$ 区域抑制三重态 Higgs 微子介导的衰变，对该模型满足实验界限的能力构成了严重限制。这项工作为将优化算法应用于复杂的 GUT 参数空间提供了概念验证，并可能适用于其他 GUT 群，如 $SO(10)$。